Kelompok 1_PPT Dasar Dasar Data Science Startup Business NEW FILE.pdf
- 1. A Lecture Presentation Kelompok 1 DASAR DASAR DATA SCIENCE STARUP BUSINESS
- 4. 1. PENTINGNYA PEMIKIRAN ANALITIK DATA Pemikiran analitik data (data-analytic thinking) adalah keterampilan penting dalam dunia bisnis modern. Kemampuan untuk menganalisis data dan membuat keputusan berbasis data menjadi faktor utama dalam keunggulan kompetitif perusahaan. Salah satu contoh aplikasi pemikiran ini adalah dalam menganalisis masalah churn (kehilangan pelanggan) untuk meningkatkan retensi pelanggan.
- 5. 2. MENGAPA ILMU DATA PENTING? Bahkan jika seseorang tidak berencana menjadi ilmuwan data, memahami konsep ilmu data tetap penting karena: Banyak bisnis saat ini berbasis data dan menggunakannya untuk meningkatkan efisiensi dan keuntungan. Perusahaan tradisional juga mulai memanfaatkan data sebagai strategi kompetitif. Bisnis digital seperti Facebook dan Twitter memiliki valuasi tinggi karena aset data yang mereka kumpulkan.
- 6. 3. PEMANFAATAN DATA DALAM BERBAGAI BIDANG Data kini menjadi aset berharga dalam berbagai sektor, termasuk: Manajemen: Manajer harus memahami analitik data untuk mengawasi proyek berbasis data. Pemasaran: Kampanye pemasaran kini lebih efektif dengan pemanfaatan data pelanggan. Investasi: Investor perlu mengevaluasi perusahaan berbasis data sebelum berinvestasi. Strategi Bisnis: Penggunaan data dapat membantu perusahaan mengidentifikasi peluang dan ancaman kompetitif.
- 7. 4. INTERAKSI ANTARA ILMUWAN DATA DAN TIM BISNIS Keberhasilan proyek analitik data sangat bergantung pada kolaborasi antara ilmuwan data dan tim bisnis. Jika tim bisnis tidak memahami prinsip dasar analitik data, keputusan yang dibuat dapat tidak akurat atau bahkan merugikan perusahaan. Oleh karena itu, pemahaman terhadap konsep analitik data sangat penting untuk memastikan strategi bisnis yang berbasis data dapat diterapkan secara efektif.
- 8. 5. CONTOH SITUASI DI DUNIA NYATA Pemikiran analitik data dapat membantu dalam berbagai situasi bisnis, seperti: Menilai apakah proyek analitik data yang diajukan oleh konsultan layak untuk diimplementasikan. Memahami dampak kemitraan data yang dilakukan oleh pesaing dan apakah hal itu menjadi ancaman. Mengevaluasi apakah valuasi perusahaan berbasis data masuk akal ketika ingin berinvestasi di dalamnya.
- 9. BUSINESS PROBLEMS AND DATA SCIENCE SOLUTIONS
- 10. “DATA SCIENCE IS NOT JUST ABOUT TECHNOLOGY, BUT ALSO ABOUT HOW TO CONNECT BUSINESS PROBLEMS WITH DATA- DRIVEN SOLUTIONS“ "BUSINESS PROBLEMS AND DATA SCIENCE SOLUTIONS" ADALAH PENDEKATAN YANG MENGHUBUNGKAN TANTANGAN BISNIS DENGAN SOLUSI BERBASIS DATA. DENGAN MEMAHAMI MASALAH BISNIS, MENGOLAH DATA, DAN MENERAPKAN TEKNIK DATA SCIENCE, PERUSAHAAN DAPAT MEMBUAT KEPUTUSAN YANG LEBIH CERDAS DAN STRATEGIS.
- 11. 1. DATA SCIENCE SEBAGAI PROBLEM SOLVER UNTUK MASALAH BISNIS Dalam dunia bisnis, banyak tantangan yang dihadapi perusahaan, seperti menurunnya penjualan, meningkatnya jumlah pelanggan yang berhenti (churn), penipuan dalam transaksi, atau bahkan optimasi strategi pemasaran oleh karena itu pada bagian ini kita akan membahas konsep yang menjelaskan bagaimana Data Science digunakan untuk menyelesaikan berbagai masalah bisnis dengan pendekatan berbasis data.
- 12. 2. BEBERAPA SOLUSI DATA SCIENCE DAPAT MENYELESAIKAN MASALAH BISNIS Mengidentifikasi dan Memahami Masalah Bisnis 1. Memahami permasalahan yang sedang dihadapi oleh perusahaan Mengubah masalah bisnis menjadi pertanyaan yang bisa dijawab dengan data Menganalisis Data yang Ada 2. Mengumpulkan dan memahami data yang tersedia Membersihkan dan menyiapkan data untuk analisis lebih lanjut Menggunakan Teknik Data Science untuk Mencari Pola dan Solusi 3. Menerapkan Machine Learning dan Data Mining untuk menemukan pola dalam data Menggunakan teknik Supervised Learning dan Unsupervised Learning untuk membuat prediksi atau mengelompokkan data Mengimplementasikan Model ke dalam Keputusan Bisnis 4. Hasil analisis digunakan untuk meningkatkan pengambilan keputusan Contohnya: Menentukan pelanggan mana yang harus diberikan diskon agar tetap setia pada layanan perusahaan
- 13. 3. PROSES DATA MINING DALAM DATA SCIENCE 1. Business Understanding (Memahami Masalah Bisnis) Memahami tujuan bisnis dan bagaimana data dapat membantu mencapainya. Contoh: Jika perusahaan e-commerce ingin meningkatkan penjualan, mereka perlu memahami faktor apa yang mempengaruhi keputusan pembelian pelanggan. 2. Data Understanding (Memahami Data yang Tersedia) Mengumpulkan dan mengeksplorasi data yang relevan untuk masalah bisnis. Contoh: Perusahaan telekomunikasi mengumpulkan data transaksi, riwayat panggilan, dan keluhan pelanggan. 3. Data Preparation (Menyiapkan Data untuk Analisis) Membersihkan dan mengubah data menjadi format yang dapat digunakan dalam model. Contoh: Menghilangkan data duplikat, menangani nilai yang hilang, dan mengonversi data kategorikal ke numerik.
- 14. 3. PROSES DATA MINING DALAM DATA SCIENCE 5. Evaluation (Mengevaluasi Kinerja Model) Mengukur akurasi model untuk memastikan bahwa model dapat memberikan prediksi yang baik. Contoh: Model prediksi churn dengan akurasi rendah perlu dioptimasi menggunakan teknik cross-validation atau hyperparameter tuning. 6. Deployment (Menggunakan Model dalam Keputusan Bisnis) Menerapkan model dalam operasional bisnis sehari-hari. Contoh: Sistem perusahaan telekomunikasi secara otomatis mengirimkan penawaran spesial kepada pelanggan yang diprediksi akan berhenti berlangganan.
- 15. 4. SUPERVISED VS UN-SUPERVISED LEARNING 1. Supervised Learning (Pembelajaran Terawasi) Data memiliki label, dan model belajar dari pola historis. Contoh: Prediksi churn: Model dilatih menggunakan data pelanggan lama yang sudah diketahui apakah mereka berhenti atau tetap berlangganan. Deteksi penipuan: Model belajar dari transaksi yang sudah diklasifikasikan sebagai penipuan atau bukan penipuan. 2. Unsupervised Learning (Pembelajaran Tak Terawasi) Data tidak memiliki label, dan model mencoba menemukan pola sendiri. Contoh: Segmentasi pelanggan: Mengelompokkan pelanggan berdasarkan kebiasaan belanja mereka. Analisis klastering: Menemukan hubungan tersembunyi dalam data tanpa mengetahui hasil akhirnya.
- 16. 5. TEKNIK ANALISIS DATA DALAM BISNIS Selain Data Mining, ada berbagai teknik lain yang digunakan dalam dunia bisnis: Statistik: Digunakan untuk memahami hubungan antara variabel dalam data. Contoh: Menggunakan uji regresi untuk memahami faktor yang paling berpengaruh terhadap penjualan. Database Querying & Data Warehousing: Mengelola dan mengakses data dalam jumlah besar dengan efisien. Contoh: Menganalisis pola pembelian pelanggan di berbagai toko menggunakan SQL.
- 17. 5. TEKNIK ANALISIS DATA DALAM BISNIS Machine Learning & Data Mining: Menggunakan algoritma cerdas untuk menemukan pola dalam data. Contoh: Sistem rekomendasi produk di e-commerce seperti Amazon atau Shopee. Regression Analysis: Memprediksi nilai numerik berdasarkan data historis. Contoh: Memperkirakan harga rumah berdasarkan lokasi, luas tanah, dan fasilitas. Clustering & Pattern Recognition: Mengelompokkan data untuk menemukan pola tersembunyi. Contoh: Bank menggunakan klastering untuk mengidentifikasi kelompok pelanggan berdasarkan kebiasaan transaksi mereka
- 18. 6.CONTOH NYATA PENERAPAN DATA SCIENCE DALAM BISNIS Retail & E-Commerce: 1. Walmart menggunakan Data Science untuk memprediksi peningkatan penjualan Pop-Tarts sebelum badai. Amazon menggunakan model rekomendasi untuk meningkatkan penjualan. Keuangan & Perbankan: 2. Bank menggunakan analisis kredit untuk menentukan apakah seseorang memenuhi syarat untuk pinjaman. Model deteksi penipuan digunakan untuk mengidentifikasi transaksi mencurigakan. Telekomunikasi: 3. Model prediktif membantu perusahaan telekomunikasi mengurangi churn pelanggan.
- 19. 6.CONTOH NYATA PENERAPAN DATA SCIENCE DALAM BISNIS 4.Kesehatan: Prediksi penyakit berdasarkan data rekam medis pasien. 5.Pemasaran Digital: Google dan Facebook menggunakan Data Science untuk menampilkan iklan yang paling relevan bagi pengguna.
- 20. INTRODUCTION TO PREDICTIVE MODELING: FROM CORRELATION TO SUPERVISED SEGMENTATION
- 21. APA ITU PERMODELAN PREDIKTIF? Pemodelan prediktif adalah teknik dalam Data Science yang menggunakan data historis untuk membuat prediksi tentang kejadian di masa depan 🔹Contoh: Memprediksi apakah pelanggan akan berhenti berlangganan (churn). Menentukan apakah transaksi kartu kredit merupakan penipuan. Menganalisis kemungkinan seorang pasien terkena penyakit berdasarkan riwayat medisnya 1.
- 22. 2. MODEL, INDUKSI, DAN PREDIKSI Model Induksi Prediksi model adalah representasi matematis yang dibuat berdasarkan data historis untuk membuat prediksi terhadap data baru. Model ini mempelajari pola dari data yang sudah ada dan menggunakannya untuk memperkirakan hasil dari data yang belum pernah dilihat sebelumnya. Induksi adalah proses menemukan pola dari data historis untuk membentuk model prediktif. proses penggunaan model yang telah dilatih untuk memperkirakan hasil dari data baru yang belum pernah dilihat sebelumnya. Dalam konteks Data Science, prediksi dapat berupa klasifikasi (contoh: apakah pelanggan akan berhenti berlangganan?) atau estimasi numerik (contoh: berapa pendapatan yang diharapkan dari pelanggan?).
- 23. 3. SUPERVISED SEGMENTATION Supervised segmentation adalah teknik yang digunakan dalam pemodelan prediktif untuk membagi data ke dalam kelompok berdasarkan fitur yang paling relevan. Memilih Atribut yang informatif Dalam membuat model prediktif, tidak semua fitur dalam data memiliki nilai yang sama. Kita perlu memilih atribut yang memiliki korelasi tinggi dengan hasil yang ingin diprediksi. Contoh: Dalam memprediksi pelanggan yang akan berhenti berlangganan, atribut yang paling penting mungkin adalah: Jumlah keluhan dalam 3 bulan terakhir Rata-rata tagihan bulanan Lama berlangganan Jumlah kali menghubungi layanan pelanggan
- 24. 4. DECISION TREE Salah satu metode paling populer dalam pemodelan prediktif adalah pohon keputusan Cara Kerja Decision Tree: Memilih atribut yang paling berpengaruh terhadap hasil prediksi. 1. Membagi data ke dalam cabang-cabang berdasarkan atribut tersebut. 2. Mengulang proses ini hingga terbentuk struktur pohon yang bisa digunakan untuk membuat keputusan. 3. Contoh Kasus: Perusahaan telekomunikasi ingin memprediksi apakah pelanggan akan berhenti berlangganan. Pohon keputusan membagi pelanggan berdasarkan fitur seperti lama berlangganan dan jumlah keluhan. Jika pelanggan memiliki lama berlangganan < 6 bulan dan jumlah keluhan > 3, maka kemungkinan besar pelanggan akan berhenti
- 25. 5. PROBABILITY IN PREDICTION Dalam banyak kasus, kita tidak hanya ingin mengetahui hasil prediksi, tetapi juga seberapa besar keyakinan model terhadap prediksi tersebut Estimasi Probabilitas dalam Pemodelan Prediktif Model dapat memberikan probabilitas atas suatu hasil, bukan hanya kategori Misalnya, dalam kasus churn pelanggan : Peluang churn = 90% → Sangat tinggi, perlu tindakan segera Peluang churn = 40% → Mungkin perlu pemantauan lebih lanjut
- 26. 6.CONTOH PENERAPAN PREDICTIVE MODELING DALAM BISNIS Pemasaran dan Rekomendasi Produk 1. Netflix menggunakan model prediktif untuk merekomendasikan film berdasarkan riwayat tontonan pengguna. Amazon menggunakan algoritma yang memprediksi produk yang mungkin dibeli pelanggan. Keuangan dan Perbankan 2. Bank menggunakan pemodelan prediktif untuk mendeteksi potensi kredit macet berdasarkan riwayat transaksi pelanggan. Kartu kredit menggunakan model untuk mendeteksi transaksi yang mencurigakan.
- 27. 6.CONTOH PENERAPAN PREDICTIVE MODELING DALAM BISNIS 3.Kesehatan Rumah sakit memprediksi pasien yang berisiko tinggi mengalami komplikasi setelah operasi. Pemodelan prediktif digunakan dalam penelitian penyakit untuk memahami faktor risiko. 4.Industri Telekomunikasi Operator seluler menggunakan model prediktif untuk mengidentifikasi pelanggan yang akan berhenti dan memberikan promosi khusus untuk mempertahankan mereka.
- 28. ARE THERE ANY QUESTIONS? Remember to study the information from this lecture!
- 29. RESOURCE PAGE
- 30. RESOURCE PAGE